企业官网建设流程全解析

洞穴建图是机器人 SLAM 领域最接近“实战考试”的场景之一：没有 GPS，没有稳定光照，没有可靠的远程通信，地面可能是碎石、坡道甚至积水。这些条件叠加起来，足以让很多在室内办公楼里跑得不错的建图方案当场失效。如果你正在准备用 ROS 做洞穴、隧道、矿井或地下管廊类环境的自主建图，这篇文章就是围绕“洞穴建图”这个主题，梳理 ROS1 与 ROS2 下的技术选型、传感器配置、算法落地流程和工程坑点。

先说结论：洞穴建图能不能做成，关键不是 ROS 版本，而是你对环境退化的理解、传感器融合的完整度，以及回环检测的触发时机。ROS1 胜在生态成熟、资料多、上手快，适合单机、验证性项目；ROS2 胜在分布式通信、实时性管理和长期维护能力，适合多机协同、无人化作业和后续迭代。本文会先从洞穴环境的特点出发，讲清楚为什么它比室内建图更难；再对比 ROS1 与 ROS2 的选型逻辑；接着给出传感器配置、环境搭建、算法选型、Cartographer 建图完整示例、ROS2 迁移要点、常见问题排查与工程建议。你读完以后，至少能避开一半以上初学者会踩的坑。

1. 洞穴建图的核心难点与场景定位

洞穴环境对机器人建图系统提出了非常苛刻的要求，这些要求不是简单调参就能解决的。

第一个难点是绝对定位信息缺失。洞穴内部没有 GNSS 信号，机器人无法像室外机器人那样用 GPS 做全局修正。所有定位都必须依赖机载传感器，也就是激光雷达、IMU、轮式里程计、视觉相机等。这意味着 SLAM 系统必须长时间保持足够低的漂移率，否则地图会出现严重的重影、断裂甚至完全发散。

第二个难点是光照条件极差。天然洞穴往往是完全黑暗的，视觉相机如果没有主动补光几乎无法使用，而且补光会造成近距离过曝、远距离漆黑的问题。即使使用红外结构光或 ToF 深度相机，在粉尘、水汽较大的洞穴中，点云质量也会明显下降。这种情况下，纯视觉 SLAM 方案的鲁棒性是很差的，主流方案仍然要依赖激光雷达和 IMU 作为核心传感器。

第三个难点是几何结构退化。洞穴内部经常是狭窄通道、超宽大厅、缓坡、竖井等多种结构的组合。长走廊和对称断面会让激光 SLAM 的约束方程退化，也就是大家常说的“走廊退化问题”。机器人在长直通道里沿着轴线方向移动时，激光雷达在轴向方向上几乎没有有效约束，位姿估计会越漂越远。在这个场景下，IMU 和轮式里程计的短时预测能力就显得特别重要，因为你要靠惯性信息来“撑住”激光约束不足的那段距离。

第四个难点是通信受限。洞穴和隧道会严重衰减无线电信号，WiFi 和 4G/5G 基本不可用，远程遥控和实时地图回传都难以保证。这就意味着机器人必须具备一定的自主能力，至少要按照预设策略完成建图任务，而不是实时依赖人工干预。数据记录和任务日志也必须存储在机载设备上，等机器人出洞后再导出分析。

第五个难点是地形与物理环境。洞穴地面通常不平，有碎石、沙土、水洼、斜坡，机器人运动模型会频繁打滑，里程计误差会快速累积。同时粉尘、湿度还可能导致传感器和散热出现问题，这一点在选型和防护设计上必须有预案。

所以，洞穴建图的本质不是“把地图建出来”，而是在失去外部辅助信息的条件下，用机载传感器组合把定位误差控制在可接受范围内。理解这一点，后面所有技术选型才有依据。

2. ROS1 还是 ROS2：先做技术判断，再选框架

很多人一上来就问：“洞穴建图应该学 ROS1 还是 ROS2？”这个问题本身就问早了。正确顺序是：先确认你的机器人平台规模、算力资源、通信拓扑和长期维护要求，再决定用哪一代 ROS。

ROS1 目前最常用的发行版是 Noetic，基于 Ubuntu 20.04，也是 ROS1 的最后一个长期支持版本。它的优势非常明显：生态成熟，教程丰富，几乎所有激光雷达、相机、IMU 厂商驱动都优先支持 ROS1。如果你想快速跑通 Cartographer、gmapping、loam 这类经典建图算法，ROS1 的安装成本和排错成本是最低的。网上能找到大量现成的驱动包和 launch 文件，遇到问题也更容易搜到解决方案。

ROS2 的优势则体现在系统架构层面。它基于 DDS 通信，天生支持分布式节点，也就是说建图节点、导航节点、状态监控节点可以运行在不同设备上，通过局域网甚至无线网络通信，这对多机器人协同探索洞穴非常关键。同时 ROS2 引入了节点生命周期管理、参数动态配置、QoS 策略和服务质量控制，以及 SROS2 安全加密通道，更接近工业生产环境的要求。它的实时性也比 ROS1 好，能够更稳定地处理高频传感器数据。

不过，ROS2 也有明显的代价：学习和迁移成本高。ROS2 的语言接口、编译体系、启动方式和 ROS1 差异很大，不少底层工具链还不完善。在洞穴建图这种强调快速迭代的科研探索场景里，如果你的团队刚刚接触 ROS，先使用 ROS1 跑通完整建图流程，再逐步迁移到 ROS2，是更稳妥的路径。

我的建议是：

需要特别说明的是，算法本身与 ROS 版本没有强绑定关系。Cartographer、FAST-LIO 等核心算法在 ROS1 和 ROS2 下都有对应实现，迁移时主要改动的是驱动封装、消息类型、launch 文件和编译配置，而不是算法内部的数学原理。所以，不要因为别人说 ROS2 是未来，就强行从 ROS2 入门，这会增加大量不必要的环境搭建负担。

3. 传感器配置与硬件选型要点

洞穴建图的传感器配置，决定了 SLAM 系统的性能上限。以下是我梳理的优先级和选型思路。

3.1 激光雷达：必备主传感器

激光雷达是世界坐标测量最直接、最稳定的传感器。对于洞穴建图：

• 单线激光雷达：成本低，适合 2D 建图，适合洞穴通道的平面扫描。社区中常见的低成本方案包括 Neato XV-11 这类扫地机器人拆机雷达，通过串口或 USB 输出数据，很多开发者在 ROS 中使用它做小场景建图入门。需要注意的是，这类雷达扫描范围有限，精度一般，而且机械结构在粉尘环境下容易损坏。
• 多线机械式激光雷达：如 16 线、32 线雷达，是 3D 洞穴建图的主流选择。它能提供完整的空间几何信息，配合 IMU 可以构建高质量三维地图。
• 固态/半固态激光雷达：体积小、可靠性高，没有旋转机构，适合搭载在小尺寸洞穴机器人上，但视场角通常有限，可能需要多台组合。

选型时重点关注：测距范围、扫描频率、角分辨率、防护等级和功耗。洞穴环境阴暗但尘埃多，雷达防护等级至少做到 IP54 以上，否则透镜进灰后测距质量会明显下滑。

3.2 IMU：决定位姿预测和退化处理能力

IMU 是洞穴建图中性价比最高的传感器。在激光约束不足的长直通道、坡道和转弯处，IMU 能提供高频角速度和加速度测量，帮助 SLAM 系统完成短时预测，显著降低轨迹漂移。选购时关注加速度计和陀螺仪的零偏稳定性、量程和输出频率。一般不需要昂贵的战术级或光纤陀螺，工业级 MEMS IMU 配合出厂校准基本够用。

3.3 里程计：容易忽略但非常有用

轮式里程计或者履带式里程计，虽然打滑时误差大，但在没有大坡度、地面相对平整的洞穴段，它依然能提供稳定的线速度约束。很多 Cartographer 配置中会使用“scan + odom + IMU”的组合，实测建图效果比单纯“scan + IMU”更稳。更重要的是，轮式里程计还能在雷达退化时作为底层输入，给算法一个不跳变的初始位姿。

3.4 视觉传感器：辅助而非主力

在完全黑暗的洞穴中，普通单目相机、双目相机和 RGB-D 相机的可用性都要打折扣。如果一定要用视觉，建议采用：

• 主动红外补光 + 双目相机。
• 搭载在机器人前方的补光灯，与相机曝光参数联动。
• 固态激光雷达与视觉融合，这样视觉退化时激光仍能约束。

视觉的主要价值是提供纹理信息、辅助识别洞穴环境中的标志物（例如反光标记），以及在激光结构退化时参与视觉-惯性里程计（VIO）计算。但不要让视觉成为唯一的定位来源，否则黑暗环境下系统很容易崩溃。

3.5 传感器融合的整体思路

洞穴建图推荐使用“LiDAR + IMU + 轮式里程计”三源融合，再根据成本和任务需要决定是否加入视觉。融合发生在两个层面：

1. 传感器驱动层：统一时间戳，协调各传感器频率。
2. SLAM 算法层：由建图算法完成状态估计和航迹推算。

无论用 Cartographer 还是 FAST-LIO，都必须先保证传感器时间同步。很多洞穴建图失败，不是算法不行，而是激光帧和 IMU 帧时间戳错位，导致位姿修正出现系统性误差。

4. 环境准备：ROS 安装、驱动与工具链

我以 Ubuntu 20.04 + ROS1 Noetic 和 Ubuntu 22.04 + ROS2 Humble 两套方案为例，说明环境准备的核心步骤。具体版本以实际项目为准，思路可以复用。

4.1 安装 ROS1 Noetic

如果你从零开始，手动安装 ROS1 需要依次配置软件源、添加 ROS 源、安装核心包、初始化环境。很多初学者卡在软件源和依赖问题上。如果不想手动处理这些依赖，社区也有像鱼香ROS一键安装这类工具，可以自动完成软件源配置、核心组件安装和环境变量设置，适合快速搭环境。

手动安装的核心命令如下：

# 配置 Ubuntu 软件源（确保 universe / restricted / multiverse 已启用） sudo apt update sudo apt install curl gnupg lsb-release # 添加 ROS 软件源（以 Noetic 为例） sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add - # 安装 ROS 桌面完整版（包含 rviz、常用库和工具） sudo apt update sudo apt install ros-noetic-desktop-full # 初始化 rosdep sudo rosdep init rosdep update # 配置环境变量 echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc source ~/.bashrc

安装完成后，建议立即安装常用开发工具：

sudo apt install python3-roslaunch python3-catkin-tools ros-noetic-cartographer ros-noetic-cartographer-ros

4.2 安装 ROS2 Humble

ROS2 Humble 是 Ubuntu 22.04 上的长期支持版本，安装逻辑与 ROS1 类似，但源不同：

# 设置 locale（推荐 UTF-8） sudo apt update sudo apt install locales sudo locale-gen en_US en_US.UTF-8 # 添加 ROS2 软件源 sudo apt install software-properties-common curl sudo add-apt-repository universe sudo curl -sSL https://raw.githubusercontent.com/ros/ros2/ros2-humble/ros2.repo -o /etc/apt/sources.list.d/ros2.list # 安装 ROS2 桌面版 sudo apt update sudo apt install ros-humble-desktop # 安装 colcon 和常用工具 sudo apt install python3-colcon-common-extensions echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc source ~/.bashrc

4.3 串口与设备权限配置

激光雷达、IMU、底盘控制板通常都通过串口或 USB 连接主机。运行前需要给用户添加串口访问权限：

sudo usermod -a -G dialout $USER

添加完权限后，必须重新登录一次才能生效。这是一个非常常见但容易被忽略的坑：很多新手插上雷达后，用ls /dev/ttyUSB0能看到设备，但驱动节点提示打开失败，基本就是权限问题。

4.4 数据录制与回放工具

洞穴建图进入真机测试前，一定要先做数据录制与回放，也就是使用rosbag或ros2 bag把传感器数据包录下来。离线回放数据既能反复调试参数，又能避免现场反复移动机器人带来的安全风险。

# ROS1 录制所有主题 rosbag record -a -O cave_data.bag # ROS2 录制所有主题 ros2 bag record -a -o cave_data

对洞穴项目来说，数据是最宝贵的资产。现场数据一旦丢失，重新采集的成本极高。所以我的习惯是：先在实验室走廊、地下车库、楼梯间这类“低配版洞穴”里录制数据，跑通离线建图，再进真实洞穴。

5. 建图算法选型与原理拆解

洞穴建图的算法选择，核心考虑三个因素：环境退化程度、传感器配置和建图维度。

5.1 Cartographer：室内与洞穴复杂的可靠选择

Cartographer 是 Google 开源的激光 SLAM 算法，支持 2D 和 3D 建图。它最大的特点是引入了子图（submap）的概念：算法把激光扫描逐渐插入局部子图，再通过局部优化和全局回环检测对子图进行位姿修正。这种“局部先建、全局再优化”的思路，对洞穴这种长通道、弱纹理环境非常友好。

Cartographer 的另一个优势是多传感器融合能力。通过配置.lua文件，可以灵活接入 IMU、里程计和多个激光雷达，而且内部已经实现了一套基于 Ceres 的图优化框架，不需要你单独维护因子图代码。

5.2 LOAM 类算法：适合大场景 3D 建图

LOAM 系列（LOAM、LEGO-LOAM、LIO-SAM）是纯激光和激光-惯性里程计的经典方法，适用于三维洞穴建图。它们通过提取特征点（边缘点、平面点）来做帧间匹配，计算量相对可控，建图效果在大场景中表现不错。但 LOAM 对初值比较敏感，隧道长直段退化时一样会有漂移，需要配合 IMU 紧耦合。

5.3 FAST-LIO：紧耦合 LiDAR-Inertial 方案

FAST-LIO 和 FAST-LIO2 是港大 MaRS 实验室开源的 LiDAR-Inertial 紧耦合里程计算法。它把激光点云和 IMU 数据放在同一个迭代卡尔曼滤波器框架里，IMU 计算速度快，激光负责修正累积漂移，在剧烈运动、陡坡和雷达短暂遮挡时表现非常稳定。如果你要在洞穴里做无人机或足式机器人建图，FAST-LIO 是比 Cartographer 更合适的选项。

5.4 算法选型对比

对大多数使用 ROS1/ROS2 做洞穴勘探的开发者，我建议先从Cartographer 2D 或 3D入手。它提供了完整的建图和回环检测链路，文档丰富，也便于把里程计、IMU、雷达数据全部接入验证。

6. 完整示例：基于 Cartographer 的洞穴建图实现（ROS1）

下面我带你在 ROS1 Noetic 下跑通一个 Cartographer 建图的完整流程。假设你已经安装好 ROS Noetic、Cartographer 相关包，并且有一台发布/scan、/imu、/odom主题的机器人。

6.1 编写 Cartographer 配置文件

Cartographer 的核心是.lua配置文件。新建文件cave_2d.lua，内容如下：

-- 文件路径：~/carto_ws/src/your_robot/config/cave_2d.lua include "map_builder.lua" include "trajectory_builder.lua" options = { map_builder = MAP_BUILDER, trajectory_builder = TRAJECTORY_BUILDER, map_frame = "map", tracking_frame = "imu_link", published_frame = "odom", odom_frame = "odom", provide_odom_frame = true, publish_frame_projected_to_2d = true, use_odometry = true, use_nav_sat = false, use_landmarks = false, num_laser_scans = 1, num_multi_echo_laser_scans = 0, num_subdivisions_per_laser_scan = 1, num_point_clouds = 0, lookup_transform_timeout_sec = 0.2, submap_publish_period_sec = 0.3, pose_publish_period_sec = 5e-3, trajectory_publish_period_sec = 30e-3, } MAP_BUILDER.use_trajectory_builder_2d = true TRAJECTORY_BUILDER_2D.use_imu_data = true TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true TRAJECTORY_BUILDER_2D.min_range = 0.3 TRAJECTORY_BUILDER_2D.max_range = 20.0 TRAJECTORY_BUILDER_2D.missing_data_ray_length = 5.0 MAP_BUILDER.num_background_threads = 4 POSE_GRAPH.optimize_every_n_nodes = 90 POSE_GRAPH.constraint_builder.sampling_ratio = 0.3 POSE_GRAPH.global_sampling_ratio = 0.003

配置要点：

• map_frame、odom_frame、tracking_frame必须与你的 TF 树一致。
• use_odometry = true，让 Cartographer 使用/odom的线速度和角速度，可以有效降低长直通道漂移。
• use_imu_data = true，IMU 数据对退化环境的短时预测非常关键。
• min_range和max_range要根据雷达实际量程调整，避免把洞穴壁上的噪音点参与匹配。
• optimize_every_n_nodes控制全局优化频率，洞穴环境建议设置为 50 到 100 之间，太频繁会消耗算力，太久会错过回环修正。

6.2 编写 launch 文件

创建cave_2d.launch文件：

<!-- 文件路径：~/carto_ws/src/your_robot/launch/cave_2d.launch --> <launch> <!-- 启动 Cartographer 节点 --> <node name="cartographer_node" pkg="cartographer_ros" type="cartographer_node" args="-configuration_directory $(find your_robot)/config -configuration_basename cave_2d.lua" output="screen"> </node> <!-- 启动占位图发布节点 --> <node name="cartographer_occupancy_grid_node" pkg="cartographer_ros" type="cartographer_occupancy_grid_node" output="screen"> <remap from="map" to="map" /> </node> <!-- 启动 rviz 可视化 --> <node name="rviz" pkg="rviz" type="rviz" args="-d $(find cartographer_ros)/configuration_files/demo_2d.rviz" /> </launch>

这个 launch 文件做了三件事：启动 Cartographer 主节点、启动 2D 占据栅格地图发布节点、启动 rviz 可视化。如果你的雷达主题不是/scan，需要先在cave_2d.lua中通过num_laser_scans以外的配置或 launch 中的 remap 将雷达话题正确映射。

6.3 启动机器人驱动与建图

在三个终端中分别执行：

# 终端1：启动机器人底盘、雷达、IMU 驱动 roslaunch your_robot_driver robot_driver.launch # 终端2：启动 Cartographer 建图 roslaunch your_robot cartographer.launch # 终端3：检查 TF 树（确认 map -> odom -> base_link -> imu_link 链路完整） rosrun tf view_frames

如果 TF 树不完整，Cartographer 会直接报错，最常见的是缺少imu_link到base_link的静态变换。

6.4 保存地图

建图完成后，需要保存 2D 占据栅格地图：

# 先安装 navigation 工具包 sudo apt install ros-noetic-navigation # 调用 map_saver 保存 rosrun map_server map_saver -f cave_map

执行后会在当前目录生成cave_map.pgm和cave_map.yaml两个文件。前者是图像，后者是地图元数据，可以直接用于后续的 ROS navigation 导航栈。

7. 迁移到 ROS2：launch 与配置差异

如果你的项目决定用 ROS2 Humble + Cartographer，会发现核心算法仍然是那套，但运行方式有显著差异。

7.1 安装 ROS2 Cartographer

ROS2 的 cartographer 同样有社区维护版本，以 apt 方式安装：

sudo apt install ros-humble-cartographer ros-humble-cartographer-ros

如果没有现成 apt 包，也可以从源码编译。由于 ROS2 包管理比 ROS1 更复杂，建议优先使用 apt 包。

7.2 使用 Python launch 文件

ROS2 不再推荐 XML launch，而是建议用 Python 编写 launch 文件，例如cave_2d_launch.py：

# 文件路径：~/carto2_ws/src/your_robot/launch/cave_2d_launch.py import os from launch import LaunchDescription from launch.actions import DeclareLaunchArgument from launch.substitutions import LaunchConfiguration from launch_ros.actions import Node def generate_launch_description(): use_sim_time = LaunchConfiguration('use_sim_time', default='false') cartographer_node = Node( package='cartographer_ros', executable='cartographer_node', parameters=[{ 'use_sim_time': use_sim_time, }], arguments=['-configuration_directory', os.path.join('/opt/ros/humble/share/cartographer_ros', 'configuration_files'), '-configuration_basename', 'cave_2d.lua'], output='screen' ) occupancy_grid_node = Node( package='cartographer_ros', executable='cartographer_occupancy_grid_node', parameters=[{'use_sim_time': use_sim_time}], ) return LaunchDescription([ DeclareLaunchArgument('use_sim_time', default_value='false'), cartographer_node, occupancy_grid_node, ])

与 ROS1 相比，ROS2 launch 更像普通 Python 程序，可以方便地做条件判断、循环和参数管理。缺点是新手查看日志和调试启动流程时，不如 ROS1 XML launch 直观。

7.3 保存地图

ROS2 中map_saver的命令有变化：

ros2 run nav2_map_server map_saver_cli -f cave_map

这会调用 Nav2 的地图保存工具，生成cave_map.pgm和cave_map.yaml。

7.4 ROS2 迁移的额外注意点

• 话题名称：ROS2 的话题与 ROS1 类似，但有了命名空间概念，务必在 launch 中设置合适的namespace，避免多机器人主题冲突。
• QoS 策略：Cartographer 节点与雷达、IMU 之间的 QoS 必须匹配。一些雷达驱动默认使用SensorDataQoS，而 ROS2 的rclpy默认是Reliable，不匹配会导致订阅不到数据。
• TF2 静态变换：ROS2 的 tf2 静态变换需要单独节点发布，不像 ROS1 里在 launch 中直接写<node pkg="tf2_ros" type="static_transform_publisher" .../>，写法有区别但逻辑相同。
• 编译系统：ROS2 使用colcon build，不是catkin_make。

cd ~/carto2_ws colcon build --symlink-install source install/setup.bash

如果编译依赖库时出现libabsl等冲突，建议先清理已安装的二进制包，再统一使用源码编译。

8. 运行结果验证与地图后处理

建图不是“跑完命令就完事”，必须验证地图质量和轨迹精度。

8.1 检查 TF 树与帧率

在 rosbag 回放或真机运行时，用下面命令检查各传感器频率：

rosrun tf view_frames # 查看 scan 帧率 rostopic hz /scan # 查看 imu 帧率 rostopic hz /imu # 查看 odom 帧率 rostopic hz /odom

如果雷达频率低于预期（例如 10Hz 的雷达实际只有 5Hz），建图效果会明显下降，需要先排查驱动配置和 USB 带宽。

8.2 判断地图质量的标准

一张好的洞穴地图应该满足下面几点：

1. 墙体轮廓清晰，边缘厚度均匀，没有明显重影。
2. 回到已探索区域时，轨迹能够闭合，地图不出现错位。
3. 长直通道两侧墙面对应关系正确，没有逐渐偏移。
4. 坡度、起伏在 2D 地图中表现为合理的可通行区域，在 3D 地图中表现为完整曲面。

如果地图出现错位、重影，常见原因是回环检测未触发，或者 IMU 与激光雷达时间戳不同步。此时可以回放 rosbag，调整optimize_every_n_nodes和回环检测参数，反复离线测试，直到地图质量稳定，再上真机。

8.3 地图后处理

用map_saver保存的.pgm通常是灰度图，洞穴环境中大量不可通行区域会显示为黑色。可以用图像处理工具做简单的滤波、裁剪和噪声消除，但不要过度清理原始数据，因为地图后期还要与导航层共用。

如果是 3D 点云地图，推荐用 CloudCompare 或 MeshLab 查看：

# 将 Cartographer 保存的 3D 点云转换为 PCD rosrun pcl_ros pointcloud_to_pcd input:=/points2

然后用 CloudCompare 打开 PCD 文件，检查点云有没有分层、飞点、空洞。对洞穴建图而言，3D 点云的质量往往比 2D 地图更能反映 SLAM 的真实效果。

9. 常见问题与排查思路

洞穴建图中，下面这些问题出现频率最高，逐个给出排查方向。

针对最典型的“长走廊漂移”，我的建议是：不要只依赖 Cartographer 的内置参数，还要在硬件层面给系统添加额外的约束，例如在洞穴墙壁上固定地面反光标志物，或让机器人在关键路口执行“旋转扫描”动作。这本质上是增加回环检测的触发机会，比调参更有效。

10. 洞穴建图最佳实践与工程建议

10.1 设计多阶段建图策略

不要一进洞穴就直接跑完整建图。建议把建图任务拆成三个阶段：

1. 实验室或模拟环境测试：使用 Gazebo 搭建仿真洞穴环境，验证算法和参数。
2. 近场测试：在建筑地下室、防空洞、废弃隧道等安全场所进行真机数据采集。
3. 真实洞穴任务：携带 rosbag 录制、备用电池和足够的存储空间，任务优先级是“数据完整 > 建图实时完成”。

10.2 数据记录是最高优先级

洞穴任务最怕空手而归。机器人可以建图失败，但数据不能丢。建议在机载电脑上同时开启：

• rosbag record -a录制全部原始主题；
• 单独的日志记录里程计、IMU 和建图轨迹；
• 拍照或视频记录洞穴环境，用于后期视觉辅助建模。

10.3 参数修改要建立在回放验证上

每次修改 Cartographer 或 FAST-LIO 参数前，都要先保存一份 rosbag，离线回放对比新旧参数的地图效果。离线回放还能做“参数敏感性分析”：例如关闭里程计、关闭 IMU、改变回环检测间隔，看哪一项导致地图质量下降最多。

10.4 重视传感器时间同步

洞穴建图中，时间戳错误是隐藏杀手。每个传感器驱动必须使用同一时钟源。ROS1 中建议使用use_sim_time与rosbag play --clock配合；真机场景建议所有传感器都使用主机时间戳，避免相机、雷达各自使用内部时钟。

10.5 设备防护与安全预案

洞穴环境可能有碎石、积水、粉尘，甚至有害气体。机器人硬件至少要做防尘和防泼溅处理，电池要选用耐低温产品。通信中断时的行为要提前定义：是原地等待、自动返航，还是继续执行任务。任何建图任务都必须有现场救援预案，安全永远优先于地图质量。

10.6 从 ROS1 到 ROS2 的迁移建议

如果你的最终目标是产品化，建议从 ROS2 起步；如果目标是快速完成课程设计或科研验证，ROS1 效率更高。迁移时不要重写所有代码，而是先迁移传感器驱动和消息接口，再把建图算法从 ROS1 版本平滑替换到 ROS2 版本。

11. 结语与后续学习方向

洞穴建图真正考验的不是某一个算法，而是整个系统的工程韧性。通过这篇文章，你应该已经看清了这样一条主线：洞穴环境的无 GPS、弱纹理、长通道退化是建图失败的根本原因；ROS1 与 ROS2 的选择要结合团队经验、项目规模和运维需求；传感器配置上，激光雷达、IMU、轮式里程计的三源融合是性价比最高的方案；算法落地时，Cartographer 是最容易上手的完整建图链路，FAST-LIO 等方案则适合更剧烈的运动场景；建图不是一跑了之，数据录制、离线回放、参数验证和地图质量评估同样重要。

后续你可以沿着两个方向继续深入：

一是把建图能力延伸到导航与自主探索，研究如何在洞穴环境中做路径规划、避障和自主返航。二是从 2D 建图升级到 3D 建图与语义地图，结合深度学习和点云分割，让机器人在建图的同时识别洞穴中的水道、岩层和潜在危险区域。

最后只提醒一件事：去真实洞穴之前，先把机器人在走廊、地下车库、楼梯间这些“低配版洞穴”里反复跑几遍。建图算法能否在退化环境里活下来，往往不是看参数调得多准，而是看你的数据采集、故障预案和回环触发设计够不够扎实。把这些基础打牢，洞穴建图就不会是玄学，而是一条可以复用的工程路径。